论文部分内容阅读
【摘要】：在消费性和商业指导性日益突出的服装行业，准确预测服装流行色显得尤为重要。随着供应链结构越来越复杂，从单一角度进行对流行色预测，已经不能更好地反应流行趋势。面对复杂供应链网络的不稳定性，分别从供应端与需求端两种角度收集、处理数据，分析杭派女装流行色趋势，提高预测的准确性，从而提高整个供应链网络的效益。应用Photoshop软件以及蒙赛尔表色体系，对国内权威机构发布的2001-2014年度春夏女装流行色色卡以及某杭派女装2013-2014年春夏销售服饰样式进行准确划分与测量，量化样本分项统计，进行误差分析，得到处理后数据。最后，针对较短时间的小样本离散数据建立马尔科夫预测模型，进行流行色的预测。
【关键词】：供应链网络；服装流行色；马尔科夫预测模型；蒙赛尔表色体系
随着消费水平的提高和消费习惯的改变，女性消费者购买衣服更注重个性的张扬，因而女装的流行性特征更为关键。杭派女装虽然品牌多，但风格比较单一。杭派女装企业过去更关注功能性，面对这种改变，企业运营决策必须做出相应调整，其中通过对流行性进行准确预测来提高生产提前期、减少库存对于企业绩效至为关键。服饰颜色是流行性的关键组成部分，预测流行色是企业应对流行性特征凸显的消费需求时不可或缺的内容。
为了更好的适应快速发展的市场与不断变化的顾客需求，许多服装企业改变过去独立进行生产和销售，偏重企业内部从面辅料采购到服装销售全过程的经营模式，企业之间通过相互沟通、合作，形成一条由面辅料的供应商、服装的生产企业、服装的分销商以及最终客户组成，包含物流、资金流、信息流的供应链网络。当前，杭派女装企业对服装流行色的预测主要依据对销售数据的经验性处理。随着供应链网络的形成，企业发现仅仅利用销售数据进行流行色预测已不能准确反映市场需求。
供应链网络理论为准确预测服装流行色提供新的思路和角。以服装供应链网络为角，利用网络的层次结构以及对网络结构的统计分析，建立马尔科夫预测模型，利用回归分析排除偶然误差，寻求最优参数值，使所得到的模型能够更好的实现真实网络的结构和关系特征，网络中的两个节点的相互转化概率就等于通过对最优数据的分析得出的转移概率。避免传统预测中由于顾客对某款型服装产品的订单波动大，大量的退货、换货等原因导致的企业难以准确地定制需求计划和生产计划，顾客满意度下降等问题。
我国对流行色的预测研究方法不健全，现实中，企业对流行色的预测大多依靠国际时尚界权威机构发布的流行色，或凭从业者主观感觉来确定流行色。文献中，关于流行色预测的最新的理论和观点主要是通过对供应链销售端某节点企业成品销售数据分析来预测服装流行色趋势。例如2010年，东华大学朱莉思等在产品生命周期理论的基础上结合SPA服装企业的经营特征以及季节服装的历史销售数据，建立SPA服装适时销售预测模型，并对符合相关规则的不同服装产品进行服装销售预测。2011年，TsanMing Choi等人对SKU销售数据以及网上销售数据，进行改进后的人工神经网络预测，通过对服装产品月销量的预测，比较与传统预测方法的优点，并取得预测结果。2012年，苏晨以某品牌夏款女装在杭州地区的销售数据为基础，基于遗传算法和BP神经网络建立预测模型，使用遗传算法对网络的初始权值及阀值进行优化。
本文通过对国内权威机构提供的流行色数据与阿里巴巴网站多家大型面料供应商的销售数据的契合度的分析，提出将权威机构发布的流行色卡作为上游面料供应商数据，针对各节点的数据属性，建立马尔科夫预测模型。同时结合杭派某品牌女装在2013-2014年春夏的销售数据作为下游最终消费者数据，对预测结果进行调整，使预测结果更准确、合理，提高整个服装供应链网络的效益。
1 网络视角的流行色预测
“杭派”女装开始于上个世90年代初，由杭州不少高等院校的服装系毕业生自己设计、剪裁、制作服装，逐渐升级为专卖连锁店，形成了庞大的女装产业群，随着四季青服装市场、龙祥桥服装市场等几个大市场出现，提供了更大的市场平台，杭派女装不断加快品牌提升，从传统的大批量生产，向集约型发展转变，逐渐形成一条围绕核心企业，从设计服装、采购面辅料、制定生产计划、生产成品，最后将成品由服装分销网络送到最终消费者手中，期间通过对物流、资金流、信息流控制，形成由面辅料的供应商、服装的生产企业、服装的分销商以及最终客户连接组成的具有系统性功能的网络结构。
由于时尚服装销量变化规律很复杂，在对流行趋势进行预测过程中影响时尚服装销量的因素众多、产品生命周期不确定。这些问题决定服装企业对市场变化比较敏感，形成一种敏捷型供需链。网络结构的复杂性使流行色预测成为一个复杂性问题，需要从网络的角度展开研究。本文利用復杂网络，以服装供应链网络为角，提出了基于服装供应链网络的新的流行趋势的预测思维，与传统的预测方法相比，这种网络预测思维具有以下优点。
第一，高度的非线性运算和映射能力能更好的实现真实网络的结构和关系特征。
第二，高度灵活可变的拓扑结构和很强的适应能力能降低由于顾客的需求不稳定性带来的生产、供应、营销混乱。
第三，不仅使用了网络的机构信息还涉及节点的属性信息，能更精确地预测流行趋势。
在供应链管理下，供应链的运作存在着“推式”管理和“拉式”管理两种方式，这两种方式根据产品的市场销售特点结合运用于一条完整的供应链之上，以实现低成本和快速响应客户需求的目的。通过对国内权威机构提供的流行色数据与阿里巴巴网站多家大型面料供应商的销售数据的契合度的分析，提出将权威机构发布的流行色卡作为上游面料供应商数据。同时将杭派某品牌女装在2013-2014年春夏的销售数据作为下游最终消费者数据，通过对数据的分析，将供应端的数据预测结果进行调整。两个角度多企业销售数据相结合，从色相、明度、彩度三个角度分别确定各状态的转移概率，建立马尔科夫预测模型。 马尔科夫是研究复杂网络演化和网络预测的重要方法之一，本文利用网络的层次机构，收集供应链网络节点的属性数据，针对随机波动的近期离散数据建立马尔科夫预测模型。
2预测模型的概述
2.1问题描述
在系统状态转移过程中，系统将来的状态只与现在的状态有关，而与过去的状态无关，这种性质称作无后效应，符合无后效应的状态转移过程，叫做马尔可夫过程。整体一系列马尔可夫过程的叫做马尔可夫链。
目前用于预测的方法主要有很多，例如灰色模型预测法、回归模型法、经验模型法等。但是，灰色模型对随机波动性较大的数据序列拟合较差，并且要求数据序列必须呈指数规律，后两种预测模型法基于服装供应链需求是一个动态的时变随机系统，需要大量的历史数据。而马尔科夫预测模型的优势是不需要大量的统计资料，只需要有限的近期资料，即可实现定量预测，适用于长短期预测和随机波动性较大的离散数据的预测问题。但是，马尔柯夫链预测对象不仅要求具有马尔柯夫链特点，而且要具有平稳过程等均值的特点。所以本文在建立马尔科夫模型之前，对原始数据进行回归分析，排除偶尔误差对预测结果的影响。
运用马尔可夫链进行预测的关键在于：建立状态转移概率矩阵。因此，流行色的预测，其关键也就在于通过对历年数据进行收集分析、预处理，确定预测期内流行色转移的分布情况。
2.2模型建立
本文收集2001-2014年的数据进行分析，并确定预测对象的n种状态可能性（S1，S2，...，St，...，Sn），预测对象每次只能处于一种状态Si（i=1，2，...，n），在经过△t时间后，s，状态就有n种可能转移的状态。基于预测对象的n种可能状态和n个可能转移情况，需要用n×n个转移概率来描述，假设把转移概率Pij作为一个矩阵的第i行第j列的元素，则构成一个n×n阶的转移概率矩阵，记做P，其中PPij为系统从最初为i状态下一步转移为j状态的概率，这样组成的转移概率矩阵称一步状态转移矩阵。
文本在研究流行色的时候，计算色相、明度、彩度所占流行比例，分别从这三个角度计算各状态的相互转移矩阵，例如在研究色相的过程中，将色相分为10类，作为10种状态。
设系统有10个互不相容的状态，系统的初始状态向量为。本文收集了2001-2014年的流行色卡，则系统初始状态向量：
S（2001）= [S1（2001），S2（200l），…，，S10 （2001）]式中Si，（2001）为系统处在状态i的初始概率。
k步转移后的状态向量为：
当初始状态同量和状态转移矩阵P己知时，便可以利用式（1）预测在k时刻系统所处的状态。本文选取2014年为初始状态向量，通过对2001-2014年的数据分析，计算每种状态在14年内的相互转化的次数，得出状态转移矩阵，通过马尔科夫预测模型得到2015年状态向量。
3模型验证与分析
3.1数据来源与预处理
3.1.1数据的来源
本文在对服装供应链上游数据收集过程中，由于企业对销售数据的重与保密，普通人员很难得到详细的销售数据，而利用网络爬虫等技方法也很难得到数据，网络分享的数据不详细、可靠性差，所以本文采用手动的方法抓取网页数据，并随时更新收集的销售数据，保证数据的准确性。
首先以阿里巴巴网站为平台，收集7个大型布料供应商在2014年销售春夏女装布料的销售数据及库存量，研究供应商布料生产量与我国权威机构发布流行色卡的契合度，本文以相关系数作为契合度的衡量要素。
契合度的平均值为0.754，可以将流行色卡做过供应端数据进行研究。为了保证色卡权威、连续、大众化，文章采用了中国纺织信息中心编辑出版的《国际纺织品流行趋势》上发布的2001-2014年春夏女装流行色色卡编号，作为上游供应链预测数据。以下是根据发布的数据整理的2001-2014年春夏女装流行色色卡在色相、明度、彩度上的比例数据。
本文同样以手动方法收集供应链下游数据，并更新淘宝商城的销售数据。以淘宝网网站为平台，收集杭派某女装品牌在2013-2014年的春夏女装的销售数据（包括服装样式、服装图案、服装质地材颜色等），进而得到不同颜色的服装销售数据。
3.1.2数据的预处理
应用Photoshop软件对某杭派女装销售服装样式进行色彩量化。以國际通用测色标准CIELab系统，获得CIE空间坐标系统中对应色卡的的L*、a*、b术、C术、h值，使彩色数据从Lab空间无色彩偏差转为CNCS（中国应用色彩体系）。Lab空间色彩系统中对应的色相角与CNCS颜色的对应关系，如表6.
Lab空间坐标系统对应的坐标分量是L*、a*、b*，一种颜色用空间坐标表示时，a*、b*为心理色度，a*等于红/绿坐标值，b*等于黄/蓝坐标值，（a*，b*）用来表示颜色呈现的相貌特征（色相）和鲜艳度（彩度），色相角h=arctan（b*/a*），彩度c*=（a*2+b*2）1/2，颜色明暗程度（明度）由L*的百分数来表示。
结合蒙赛尔色彩彩度理论，依据CNCS色彩体系中色彩属性等级划分以及与之相对应的Lab值，得到CIELab色彩空间在明度、彩度、色调的相关数值。
在对数据量化的基础上应用多元线性回归分析方法，对原始数据进行预处理，减少偶然误差对预测结果的影响，并保证数据的平稳过程，从而建立马尔科夫预测模型。多元线性回归是分析和讨论变量之间的线性关系的方法，在具体实际应用中，我们可以假设因变量与自变量之间存在表达式： Y=b0+b1x1+…+bmxm+ε其中b0，b1，……，bn是个m+l可估计的未知参数，b0为回归常数，b1，……，bn为回归系数。
当m=l时，自变量和应变量都只有一个，当m>l时，一个应变量对多个自变量，则称为多元线性将某杭派女装在2013-2014年春夏女装销售中的时间t、价格p作为自变量，销售数量q作为因变量。即q=β0+β1t+β2p+ε每一款服饰分别用excel回归分们上其建立多远回归分析函数并进行回归检验，消除偶然误差对整体数据的影响。
以下是对第一款服饰的回归函数确立，以及回归检验数据分析。
通过对每个款式服饰的销售数据的回归分析，排除偶然误差对预测准确性的影响，最后将每款服饰销售数据汇总，构建马尔科夫预测模型。
3.2预测模型的建立与分析
首先对权威机构发行的流行色卡数据进行观察，发现流行色多集中分布在黄红色与黄色色相，随后重点分析黄红色相与黄色色相在2015年的流行比例。通过对历年流行比例数据状态的划分，得出每种状态相互转移的次数，确定转移概率矩阵。最后通过马尔科夫预测模型，得到2015年的某杭派女装在色相上的流行比例数据。同时结合销售数据，对上述得出的结论进行调整改进。同理对色彩、明度也进行马尔科夫预测，最终得到某杭派女装在2015年在色相、明度、彩度的流行数据。
通过对权威机构发布的2010 -2014年春夏女装流行色数据进行分析，得出历年不同流行色之间相互转换次数，得到流行色相转换概率矩阵（色相依此是R、YR、Y、GY、G、BG、B、PB、P、RP）.
权威機构发布的2014年流行色是黄红（YR）色相，由概率转移矩阵看出YR转移为YR的概率最大，由此初步得出2015年春夏女装流行色相最有可能为黄红（YR）色相，随后是黄色（Y）色相。
通过对2010-2014年YR色相与Y色相的流行比例数据进行分类，并运用马尔科夫预测模型进行预测，得出2015年两种色相所占比例。表8为色相比例状态划分规则。
由此可以得出YR在2015年最有可能处于F3状态，Y在2015年最有可能处于F2状态，取状态的中间点数值为预测数值，分别为0.24、0.20.
同时将销售数据作为参考对预测结果进行调整。取2013、2014年两年数据的变化量的平均值作为2015的变化量。
最终得出2015年春夏女装Y色相所占比例高，流行色相为黄色。
同样的方法得出2015年春夏女装高明度、低彩度比较流行。
4 结论
权威机构在制定流行色定案的过程中受到色彩定案国家的提案以及预测专家的色彩偏好等主观性因素的影响，使色彩定案的预测不准确。同时，随着纺织行业的快速发展，服装供应链网络日趋复杂，传统的仅从销售端数据进行流行色预测的方法，没有考虑供应链网络各节点的链接与信息反馈，不能从整个供应链网络的角度全面地预测流行色趋势，导致预测结果不合理，错定需求计划，制约服装供应链网络的快速发展。本文以服装供应链网络为角，利用网络的层次结构以及对网络结构的统计分析，建立马尔科夫预测模型，利用回归分析排除偶然误差，寻求最优参数值，使所得到的模型能够更好的实现真实网络的结构和关系特征。本文通过对国内权威机构提供的流行色数据与阿里巴巴网站多家大型面料供应商的销售数据的契合度的分析，提出将权威机构发布的流行色卡作为上游面料供应商数据，针对各节点的数据属性，建立马尔科夫预测模型。同时结合杭派某品牌女装在2013-2014年春夏的销售数据作为下游最终消费者数据，对预测结果进行调整，使预测结果更准确、合理。研究结果显示：
（1） 2015年春夏女装流行色为黄色、高明度、低彩度比较流行。
（2）本文以供应链网络理论为基础，为准确预测服装流行色提供新的思路和角。数据表明仅从供应方数据预测流行色相为黄红，在结合销售数据进行分析调整后，最终预测的结果为黄色色相。
（3）应用马尔可夫预测法对时间短、数据少、无后效应等特点的平稳、离散数据有较好的预测性。
（4）本文分析2015杭派女装流行色可能的趋势变化，有待通过2015年的实际数据对预测结果进行验证。
【关键词】：供应链网络；服装流行色；马尔科夫预测模型；蒙赛尔表色体系
随着消费水平的提高和消费习惯的改变，女性消费者购买衣服更注重个性的张扬，因而女装的流行性特征更为关键。杭派女装虽然品牌多，但风格比较单一。杭派女装企业过去更关注功能性，面对这种改变，企业运营决策必须做出相应调整，其中通过对流行性进行准确预测来提高生产提前期、减少库存对于企业绩效至为关键。服饰颜色是流行性的关键组成部分，预测流行色是企业应对流行性特征凸显的消费需求时不可或缺的内容。
为了更好的适应快速发展的市场与不断变化的顾客需求，许多服装企业改变过去独立进行生产和销售，偏重企业内部从面辅料采购到服装销售全过程的经营模式，企业之间通过相互沟通、合作，形成一条由面辅料的供应商、服装的生产企业、服装的分销商以及最终客户组成，包含物流、资金流、信息流的供应链网络。当前，杭派女装企业对服装流行色的预测主要依据对销售数据的经验性处理。随着供应链网络的形成，企业发现仅仅利用销售数据进行流行色预测已不能准确反映市场需求。
供应链网络理论为准确预测服装流行色提供新的思路和角。以服装供应链网络为角，利用网络的层次结构以及对网络结构的统计分析，建立马尔科夫预测模型，利用回归分析排除偶然误差，寻求最优参数值，使所得到的模型能够更好的实现真实网络的结构和关系特征，网络中的两个节点的相互转化概率就等于通过对最优数据的分析得出的转移概率。避免传统预测中由于顾客对某款型服装产品的订单波动大，大量的退货、换货等原因导致的企业难以准确地定制需求计划和生产计划，顾客满意度下降等问题。
我国对流行色的预测研究方法不健全，现实中，企业对流行色的预测大多依靠国际时尚界权威机构发布的流行色，或凭从业者主观感觉来确定流行色。文献中，关于流行色预测的最新的理论和观点主要是通过对供应链销售端某节点企业成品销售数据分析来预测服装流行色趋势。例如2010年，东华大学朱莉思等在产品生命周期理论的基础上结合SPA服装企业的经营特征以及季节服装的历史销售数据，建立SPA服装适时销售预测模型，并对符合相关规则的不同服装产品进行服装销售预测。2011年，TsanMing Choi等人对SKU销售数据以及网上销售数据，进行改进后的人工神经网络预测，通过对服装产品月销量的预测，比较与传统预测方法的优点，并取得预测结果。2012年，苏晨以某品牌夏款女装在杭州地区的销售数据为基础，基于遗传算法和BP神经网络建立预测模型，使用遗传算法对网络的初始权值及阀值进行优化。
本文通过对国内权威机构提供的流行色数据与阿里巴巴网站多家大型面料供应商的销售数据的契合度的分析，提出将权威机构发布的流行色卡作为上游面料供应商数据，针对各节点的数据属性，建立马尔科夫预测模型。同时结合杭派某品牌女装在2013-2014年春夏的销售数据作为下游最终消费者数据，对预测结果进行调整，使预测结果更准确、合理，提高整个服装供应链网络的效益。
1 网络视角的流行色预测
“杭派”女装开始于上个世90年代初，由杭州不少高等院校的服装系毕业生自己设计、剪裁、制作服装，逐渐升级为专卖连锁店，形成了庞大的女装产业群，随着四季青服装市场、龙祥桥服装市场等几个大市场出现，提供了更大的市场平台，杭派女装不断加快品牌提升，从传统的大批量生产，向集约型发展转变，逐渐形成一条围绕核心企业，从设计服装、采购面辅料、制定生产计划、生产成品，最后将成品由服装分销网络送到最终消费者手中，期间通过对物流、资金流、信息流控制，形成由面辅料的供应商、服装的生产企业、服装的分销商以及最终客户连接组成的具有系统性功能的网络结构。
由于时尚服装销量变化规律很复杂，在对流行趋势进行预测过程中影响时尚服装销量的因素众多、产品生命周期不确定。这些问题决定服装企业对市场变化比较敏感，形成一种敏捷型供需链。网络结构的复杂性使流行色预测成为一个复杂性问题，需要从网络的角度展开研究。本文利用復杂网络，以服装供应链网络为角，提出了基于服装供应链网络的新的流行趋势的预测思维，与传统的预测方法相比，这种网络预测思维具有以下优点。
第一，高度的非线性运算和映射能力能更好的实现真实网络的结构和关系特征。
第二，高度灵活可变的拓扑结构和很强的适应能力能降低由于顾客的需求不稳定性带来的生产、供应、营销混乱。
第三，不仅使用了网络的机构信息还涉及节点的属性信息，能更精确地预测流行趋势。
在供应链管理下，供应链的运作存在着“推式”管理和“拉式”管理两种方式，这两种方式根据产品的市场销售特点结合运用于一条完整的供应链之上，以实现低成本和快速响应客户需求的目的。通过对国内权威机构提供的流行色数据与阿里巴巴网站多家大型面料供应商的销售数据的契合度的分析，提出将权威机构发布的流行色卡作为上游面料供应商数据。同时将杭派某品牌女装在2013-2014年春夏的销售数据作为下游最终消费者数据，通过对数据的分析，将供应端的数据预测结果进行调整。两个角度多企业销售数据相结合，从色相、明度、彩度三个角度分别确定各状态的转移概率，建立马尔科夫预测模型。 马尔科夫是研究复杂网络演化和网络预测的重要方法之一，本文利用网络的层次机构，收集供应链网络节点的属性数据，针对随机波动的近期离散数据建立马尔科夫预测模型。
2预测模型的概述
2.1问题描述
在系统状态转移过程中，系统将来的状态只与现在的状态有关，而与过去的状态无关，这种性质称作无后效应，符合无后效应的状态转移过程，叫做马尔可夫过程。整体一系列马尔可夫过程的叫做马尔可夫链。
目前用于预测的方法主要有很多，例如灰色模型预测法、回归模型法、经验模型法等。但是，灰色模型对随机波动性较大的数据序列拟合较差，并且要求数据序列必须呈指数规律，后两种预测模型法基于服装供应链需求是一个动态的时变随机系统，需要大量的历史数据。而马尔科夫预测模型的优势是不需要大量的统计资料，只需要有限的近期资料，即可实现定量预测，适用于长短期预测和随机波动性较大的离散数据的预测问题。但是，马尔柯夫链预测对象不仅要求具有马尔柯夫链特点，而且要具有平稳过程等均值的特点。所以本文在建立马尔科夫模型之前，对原始数据进行回归分析，排除偶尔误差对预测结果的影响。
运用马尔可夫链进行预测的关键在于：建立状态转移概率矩阵。因此，流行色的预测，其关键也就在于通过对历年数据进行收集分析、预处理，确定预测期内流行色转移的分布情况。
2.2模型建立
本文收集2001-2014年的数据进行分析，并确定预测对象的n种状态可能性（S1，S2，...，St，...，Sn），预测对象每次只能处于一种状态Si（i=1，2，...，n），在经过△t时间后，s，状态就有n种可能转移的状态。基于预测对象的n种可能状态和n个可能转移情况，需要用n×n个转移概率来描述，假设把转移概率Pij作为一个矩阵的第i行第j列的元素，则构成一个n×n阶的转移概率矩阵，记做P，其中PPij为系统从最初为i状态下一步转移为j状态的概率，这样组成的转移概率矩阵称一步状态转移矩阵。
文本在研究流行色的时候，计算色相、明度、彩度所占流行比例，分别从这三个角度计算各状态的相互转移矩阵，例如在研究色相的过程中，将色相分为10类，作为10种状态。
设系统有10个互不相容的状态，系统的初始状态向量为。本文收集了2001-2014年的流行色卡，则系统初始状态向量：
S（2001）= [S1（2001），S2（200l），…，，S10 （2001）]式中Si，（2001）为系统处在状态i的初始概率。
k步转移后的状态向量为：
当初始状态同量和状态转移矩阵P己知时，便可以利用式（1）预测在k时刻系统所处的状态。本文选取2014年为初始状态向量，通过对2001-2014年的数据分析，计算每种状态在14年内的相互转化的次数，得出状态转移矩阵，通过马尔科夫预测模型得到2015年状态向量。
3模型验证与分析
3.1数据来源与预处理
3.1.1数据的来源
本文在对服装供应链上游数据收集过程中，由于企业对销售数据的重与保密，普通人员很难得到详细的销售数据，而利用网络爬虫等技方法也很难得到数据，网络分享的数据不详细、可靠性差，所以本文采用手动的方法抓取网页数据，并随时更新收集的销售数据，保证数据的准确性。
首先以阿里巴巴网站为平台，收集7个大型布料供应商在2014年销售春夏女装布料的销售数据及库存量，研究供应商布料生产量与我国权威机构发布流行色卡的契合度，本文以相关系数作为契合度的衡量要素。
契合度的平均值为0.754，可以将流行色卡做过供应端数据进行研究。为了保证色卡权威、连续、大众化，文章采用了中国纺织信息中心编辑出版的《国际纺织品流行趋势》上发布的2001-2014年春夏女装流行色色卡编号，作为上游供应链预测数据。以下是根据发布的数据整理的2001-2014年春夏女装流行色色卡在色相、明度、彩度上的比例数据。
本文同样以手动方法收集供应链下游数据，并更新淘宝商城的销售数据。以淘宝网网站为平台，收集杭派某女装品牌在2013-2014年的春夏女装的销售数据（包括服装样式、服装图案、服装质地材颜色等），进而得到不同颜色的服装销售数据。
3.1.2数据的预处理
应用Photoshop软件对某杭派女装销售服装样式进行色彩量化。以國际通用测色标准CIELab系统，获得CIE空间坐标系统中对应色卡的的L*、a*、b术、C术、h值，使彩色数据从Lab空间无色彩偏差转为CNCS（中国应用色彩体系）。Lab空间色彩系统中对应的色相角与CNCS颜色的对应关系，如表6.
Lab空间坐标系统对应的坐标分量是L*、a*、b*，一种颜色用空间坐标表示时，a*、b*为心理色度，a*等于红/绿坐标值，b*等于黄/蓝坐标值，（a*，b*）用来表示颜色呈现的相貌特征（色相）和鲜艳度（彩度），色相角h=arctan（b*/a*），彩度c*=（a*2+b*2）1/2，颜色明暗程度（明度）由L*的百分数来表示。
结合蒙赛尔色彩彩度理论，依据CNCS色彩体系中色彩属性等级划分以及与之相对应的Lab值，得到CIELab色彩空间在明度、彩度、色调的相关数值。
在对数据量化的基础上应用多元线性回归分析方法，对原始数据进行预处理，减少偶然误差对预测结果的影响，并保证数据的平稳过程，从而建立马尔科夫预测模型。多元线性回归是分析和讨论变量之间的线性关系的方法，在具体实际应用中，我们可以假设因变量与自变量之间存在表达式： Y=b0+b1x1+…+bmxm+ε其中b0，b1，……，bn是个m+l可估计的未知参数，b0为回归常数，b1，……，bn为回归系数。
当m=l时，自变量和应变量都只有一个，当m>l时，一个应变量对多个自变量，则称为多元线性将某杭派女装在2013-2014年春夏女装销售中的时间t、价格p作为自变量，销售数量q作为因变量。即q=β0+β1t+β2p+ε每一款服饰分别用excel回归分们上其建立多远回归分析函数并进行回归检验，消除偶然误差对整体数据的影响。
以下是对第一款服饰的回归函数确立，以及回归检验数据分析。
通过对每个款式服饰的销售数据的回归分析，排除偶然误差对预测准确性的影响，最后将每款服饰销售数据汇总，构建马尔科夫预测模型。
3.2预测模型的建立与分析
首先对权威机构发行的流行色卡数据进行观察，发现流行色多集中分布在黄红色与黄色色相，随后重点分析黄红色相与黄色色相在2015年的流行比例。通过对历年流行比例数据状态的划分，得出每种状态相互转移的次数，确定转移概率矩阵。最后通过马尔科夫预测模型，得到2015年的某杭派女装在色相上的流行比例数据。同时结合销售数据，对上述得出的结论进行调整改进。同理对色彩、明度也进行马尔科夫预测，最终得到某杭派女装在2015年在色相、明度、彩度的流行数据。
通过对权威机构发布的2010 -2014年春夏女装流行色数据进行分析，得出历年不同流行色之间相互转换次数，得到流行色相转换概率矩阵（色相依此是R、YR、Y、GY、G、BG、B、PB、P、RP）.
权威機构发布的2014年流行色是黄红（YR）色相，由概率转移矩阵看出YR转移为YR的概率最大，由此初步得出2015年春夏女装流行色相最有可能为黄红（YR）色相，随后是黄色（Y）色相。
通过对2010-2014年YR色相与Y色相的流行比例数据进行分类，并运用马尔科夫预测模型进行预测，得出2015年两种色相所占比例。表8为色相比例状态划分规则。
由此可以得出YR在2015年最有可能处于F3状态，Y在2015年最有可能处于F2状态，取状态的中间点数值为预测数值，分别为0.24、0.20.
同时将销售数据作为参考对预测结果进行调整。取2013、2014年两年数据的变化量的平均值作为2015的变化量。
最终得出2015年春夏女装Y色相所占比例高，流行色相为黄色。
同样的方法得出2015年春夏女装高明度、低彩度比较流行。
4 结论
权威机构在制定流行色定案的过程中受到色彩定案国家的提案以及预测专家的色彩偏好等主观性因素的影响，使色彩定案的预测不准确。同时，随着纺织行业的快速发展，服装供应链网络日趋复杂，传统的仅从销售端数据进行流行色预测的方法，没有考虑供应链网络各节点的链接与信息反馈，不能从整个供应链网络的角度全面地预测流行色趋势，导致预测结果不合理，错定需求计划，制约服装供应链网络的快速发展。本文以服装供应链网络为角，利用网络的层次结构以及对网络结构的统计分析，建立马尔科夫预测模型，利用回归分析排除偶然误差，寻求最优参数值，使所得到的模型能够更好的实现真实网络的结构和关系特征。本文通过对国内权威机构提供的流行色数据与阿里巴巴网站多家大型面料供应商的销售数据的契合度的分析，提出将权威机构发布的流行色卡作为上游面料供应商数据，针对各节点的数据属性，建立马尔科夫预测模型。同时结合杭派某品牌女装在2013-2014年春夏的销售数据作为下游最终消费者数据，对预测结果进行调整，使预测结果更准确、合理。研究结果显示：
（1） 2015年春夏女装流行色为黄色、高明度、低彩度比较流行。
（2）本文以供应链网络理论为基础，为准确预测服装流行色提供新的思路和角。数据表明仅从供应方数据预测流行色相为黄红，在结合销售数据进行分析调整后，最终预测的结果为黄色色相。
（3）应用马尔可夫预测法对时间短、数据少、无后效应等特点的平稳、离散数据有较好的预测性。
（4）本文分析2015杭派女装流行色可能的趋势变化，有待通过2015年的实际数据对预测结果进行验证。